第1章 人工智能的發(fā)展歷程 1 1.1　第一階段——人工智能的孕育期 3 1.1.1　亞里士多德與三段論 3 1.1.2　萊布尼茨與形式邏輯符號(hào)化 4 1.1.3　布爾與布爾代數(shù) 5 1.1.4　圖靈與圖靈機(jī) 6 1.1.5　麥卡洛克和皮茲與MP神經(jīng)元模型 8 1.1.6　馮·諾依曼與馮·諾依曼架構(gòu) 8 1.1.7　香農(nóng)與機(jī)械鼠 9 1.1.8　維納與控制論 10 1.2　第二階段——人工智能基礎(chǔ)技術(shù)的形成 12 1.2.1　西蒙和紐厄爾與通用問(wèn)題求解器 12 1.2.2　羅森布拉特與感知機(jī)模型 14 1.2.3　王浩與機(jī)器證明 14 1.2.4　麥卡錫和明斯基與人工智能 15 1.2.5　霍夫和威德羅與自適應(yīng)線性單元 16 1.2.6　費(fèi)根鮑姆與專(zhuān)家系統(tǒng) 18 1.3　第三階段——人工智能的發(fā)展和實(shí)用化 19 1.3.1　診斷系統(tǒng)VAX 19 1.3.2　計(jì)算機(jī)配置專(zhuān)家系統(tǒng)XSEL和XCON 19 1.3.3　自然語(yǔ)言理解系統(tǒng)SHRDLU 19 1.3.4　符號(hào)數(shù)學(xué)專(zhuān)家系統(tǒng)MACSYMA 20 1.3.5　診斷內(nèi)科疾病的專(zhuān)家系統(tǒng)INTERNIST 20 1.3.6　腎臟病專(zhuān)家咨詢(xún)系統(tǒng)PIP 20 1.3.7　診斷和治療青光眼病的專(zhuān)家系統(tǒng)CASNET 21 1.3.8　醫(yī)學(xué)診斷專(zhuān)家系統(tǒng)MYCIN 21 1.3.9　自然語(yǔ)言理解系統(tǒng)LUNAR 21 1.3.10　邏輯編程語(yǔ)言 22 1.3.11　多層感知機(jī) 22 1.3.12　框架理論 23 1.3.13　遺傳算法 24 1.3.14　知識(shí)工程 24 1.3.15　Agent技術(shù) 25 1.3.16　知識(shí)表示語(yǔ)言 25 1.4　第四階段——知識(shí)工程與專(zhuān)家系統(tǒng) 26 1.4.1　霍普菲爾德與Hopfield神經(jīng)網(wǎng)絡(luò)模型 26 1.4.2　辛頓與玻爾茲曼機(jī) 29 1.4.3　麥克萊倫德和魯梅爾哈特與反向傳播算法 30 1.4.4　肖漢姆與Agent程序設(shè)計(jì) 31 1.4.5　瓦普尼克與支持向量機(jī) 32 1.4.6　麥昆與定理證明系統(tǒng) 33 1.4.7　當(dāng)代人工智能領(lǐng)域的領(lǐng)軍人物 33 1.5　本章小結(jié) 36 習(xí)題 36 第2章 機(jī)器學(xué)習(xí) 38 2.1　機(jī)器學(xué)習(xí)概述 40 2.1.1　機(jī)器學(xué)習(xí)與人類(lèi)學(xué)習(xí) 40 2.1.2　機(jī)器學(xué)習(xí)的發(fā)展歷程 40 2.1.3　機(jī)器學(xué)習(xí)的步驟 41 2.1.4　機(jī)器學(xué)習(xí)的典型應(yīng)用 42 2.1.5　機(jī)器學(xué)習(xí)的相關(guān)技術(shù) 43 2.2　時(shí)間序列分析與預(yù)測(cè) 44 2.2.1　時(shí)間序列的發(fā)展歷程 44 2.2.2　時(shí)間序列的簡(jiǎn)介 45 2.2.3　時(shí)間序列的分類(lèi) 45 2.2.4　時(shí)間序列的水平分析 46 2.2.5　時(shí)間序列的速度分析 46 2.2.6　時(shí)間序列分析的主要用途 47 2.3　結(jié)構(gòu)方程模型 48 2.3.1　結(jié)構(gòu)方程模型的發(fā)展歷程 48 2.3.2　結(jié)構(gòu)方程模型的介紹 48 2.3.3　結(jié)構(gòu)方程的建模過(guò)程及實(shí)例 50 2.3.4　結(jié)構(gòu)方程模型的應(yīng)用 52 2.4　因子分析法 55 2.4.1　因子分析法的發(fā)展 55 2.4.2　因子分析法的應(yīng)用 55 2.4.3　因子分析的核心問(wèn)題及具體步驟 56 2.4.4　案例分析 56 2.5　信度與效度分析 58 2.5.1　信度和效度的概念 58 2.5.2　信度與效度的用途 59 2.5.3　信度分析方法 59 2.5.4　效度分析類(lèi)型 61 2.6　K-means算法 62 2.6.1　K-means算法的起源 62 2.6.2　K-means算法的原理 62 2.6.3　K-means算法的應(yīng)用 64 2.7　回歸分析 65 2.7.1　回歸分析的起源 65 2.7.2　回歸分析的類(lèi)型 66 2.7.3　回歸分析的實(shí)例 69 2.8　樸素貝葉斯 70 2.8.1　貝葉斯公式 70 2.8.2　樸素貝葉斯分類(lèi) 71 2.8.3　樸素貝葉斯實(shí)例 71 2.9　馬爾可夫過(guò)程 73 2.10　數(shù)據(jù)缺失及其填補(bǔ)方法 79 2.10.1　數(shù)據(jù)缺失的原因以及產(chǎn)生機(jī)制 80 2.10.2　數(shù)據(jù)缺失模式 80 2.10.3　數(shù)據(jù)缺失的處理方法 81 2.11　混合線性模型 83 2.12　統(tǒng)計(jì)推斷 87 2.12.1　統(tǒng)計(jì)推斷的表述形式 88 2.12.2　統(tǒng)計(jì)推斷的可靠性 88 2.12.3　統(tǒng)計(jì)抽樣的方法 88 2.12.4　統(tǒng)計(jì)假設(shè)測(cè)驗(yàn) 89 2.13　本章小結(jié) 91 習(xí)題 91 第3章 計(jì)算智能 93 3.1　遺傳算法 95 3.1.1　遺傳算法的起源 95 3.1.2　遺傳算法的原理 97 3.1.3　遺傳算法的實(shí)現(xiàn) 101 3.1.4　遺傳算法的應(yīng)用 102 3.1.5　遺傳算法拓展——分類(lèi)器 105 3.2　粒子群算法 107 3.2.1　粒子群算法的起源 107 3.2.2　粒子群算法的特點(diǎn) 109 3.2.3　粒子群算法的原理 110 3.2.4　粒子群算法的步驟 111 3.2.5　粒子群算法的應(yīng)用 113 3.3　蟻群算法 116 3.3.1　蟻群算法的起源 116 3.3.2　蟻群算法的原理 118 3.3.3　蟻群算法的步驟 120 3.3.4　蟻群算法的應(yīng)用 123 3.4　人工魚(yú)群算法 127 3.4.1　人工魚(yú)群算法的起源 127 3.4.2　人工魚(yú)群算法的基本原理 127 3.4.3　人工魚(yú)的基本行為 129 3.4.4　人工魚(yú)群算法的實(shí)現(xiàn)和重要參數(shù) 130 3.4.5　人工魚(yú)群算法的應(yīng)用 131 3.5　本章小結(jié) 134 習(xí)題 135 第4章 深度學(xué)習(xí) 137 4.1 深度學(xué)習(xí)概述 138 4.2　深度學(xué)習(xí)的核心技術(shù) 141 4.2.1　神經(jīng)網(wǎng)絡(luò) 142 4.2.2　長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò) 144 4.2.3　卷積神經(jīng)網(wǎng)絡(luò) 145 4.2.4　深度森林模型 149 4.2.5　深度學(xué)習(xí)的數(shù)學(xué)基礎(chǔ) 151 4.3　深度學(xué)習(xí)的應(yīng)用 151 4.3.1　圖像識(shí)別 152 4.3.2　語(yǔ)音應(yīng)用 162 4.3.3　文本挖掘 166 4.4　深度學(xué)習(xí)開(kāi)源框架 170 4.4.1　TensorFlow 170 4.4.2　PaddlePaddle 170 4.4.3　Keras 171 4.4.4　MXNet 171 4.4.5　PyTorch 171 4.4.6　開(kāi)源框架對(duì)比 172 4.5　本章小結(jié) 173 習(xí)題 173 第5章 人工智能技術(shù)在各行各業(yè)的應(yīng)用 176 5.1　人工智能技術(shù)在搜索引擎領(lǐng)域的應(yīng)用 178 5.1.1　語(yǔ)音識(shí)別 178 5.1.2　圖像識(shí)別 181 5.2　人工智能技術(shù)在制造業(yè)的應(yīng)用 183 5.2.1　產(chǎn)品設(shè)計(jì)和研發(fā) 183 5.2.2　智能生產(chǎn)制造 184 5.2.3　智能供應(yīng)鏈 185 5.3　人工智能技術(shù)在安防業(yè)的應(yīng)用 186 5.3.1　公安安防 186 5.3.2　社區(qū)和民用安防 187 5.3.3　工廠園區(qū)安防 189 5.4　人工智能技術(shù)在交通業(yè)的應(yīng)用 189 5.4.1　智能車(chē)輛檢索 189 5.4.2　智能交通監(jiān)控 190 5.4.3　自動(dòng)駕駛汽車(chē) 190 5.4.4　駕駛員健康狀態(tài)監(jiān)測(cè) 191 5.4.5　交警機(jī)器人 192 5.5　人工智能技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用 192 5.5.1　人工智能與影像輔助診斷 192 5.5.2　人工智能與藥物的研發(fā) 194 5.5.3　人工智能與醫(yī)用機(jī)器人 195 5.6　人工智能技術(shù)在電商領(lǐng)域的應(yīng)用 196 5.6.1　個(gè)性化推薦技術(shù) 196 5.6.2　生物認(rèn)證技術(shù) 198 5.6.3　商務(wù)智能分析 199 5.7　人工智能技術(shù)在教育行業(yè)的應(yīng)用 201 5.7.1　自適應(yīng)學(xué)習(xí) 201 5.7.2　虛擬學(xué)習(xí)助手 201 5.7.3　教育商業(yè)智能化 202 5.8　人工智能技術(shù)在媒體業(yè)的應(yīng)用 204 5.8.1　新聞業(yè)的應(yīng)用 204 5.8.2　視頻領(lǐng)域的應(yīng)用 205 5.9　本章小結(jié) 207 習(xí)題 208 第6章 人工智能的發(fā)展趨勢(shì)和挑戰(zhàn) 210 6.1　人工智能的發(fā)展趨勢(shì)及新技術(shù)的應(yīng)用 211 6.2　人工智能對(duì)人類(lèi)未來(lái)生活的影響 221 6.3　人工智能帶來(lái)的挑戰(zhàn)及可能的解決方案 223 6.3.1　人工智能帶來(lái)的挑戰(zhàn)及變革 223 6.3.2　可能的解決方案 229 6.4　本章小結(jié) 230 習(xí)題 231 參考答案 232 第1章　人工智能的發(fā)展歷程 232 第2章　機(jī)器學(xué)習(xí) 232 第3章　計(jì)算智能 235 第4章　深度學(xué)習(xí) 236 第5章　人工智能技術(shù)在各行各業(yè)的 應(yīng)用 237 第6章　人工智能的發(fā)展趨勢(shì)和挑戰(zhàn) 237 參考文獻(xiàn) 238